TensorFlow مدل تجزیه و تحلیل (TFMA) می توانید نمودار ارزیابی یک مدل به ویژه صادرات SavedModel نام EvalSavedModel . (توجه داشته باشید که نمودار ارزیابی به نمودار برای آموزش و یا استنتاج استفاده می شود و نیست.) EvalSavedModel حاوی اطلاعات اضافهایاست که اجازه می دهد تا TFMA برای محاسبه معیارهای ارزیابی در مدل به صورت توزیع شده بیش از یک مقدار زیادی از داده ها و تعریف شده توسط کاربر تعریف شده برش ها
یک مدل موجود را اصلاح کنید
برای استفاده از یک مدل موجود با TFMA، ابتدا مدل را به صادرات تغییر EvalSavedModel . این است که با اضافه کردن یک تماس انجام می شود به tfma.export.export_eval_savedmodel و شبیه به estimator.export_savedmodel . مثلا:
# Define, train and export your estimator as usual
estimator = tf.estimator.DNNClassifier(...)
estimator.train(...)
estimator.export_savedmodel(...)
# Also export the EvalSavedModel
tfma.export.export_eval_savedmodel(
estimator=estimator, export_dir_base=export_dir,
eval_input_receiver_fn=eval_input_receiver_fn)
eval_input_receiver_fn باید تعریف شود و شبیه به است serving_input_receiver_fn برای estimator.export_savedmodel . مانند serving_input_receiver_fn از eval_input_receiver_fn تابع مثال حفره یا سوراخ ورودی تعریف می کند، تجزیه ویژگی های از مثال، برمی گرداند و ویژگی های تجزیه شده است. آن برچسب را تجزیه و برمی گرداند.
تکه کد زیر یک مثال تعریف eval_input_receiver_fn :
country = tf.feature_column.categorical_column_with_hash('country', 100)
language = tf.feature_column.categorical_column_with_hash('language', 100)
age = tf.feature_column.numeric_column('age')
label = tf.feature_column.numeric_column('label')
def eval_input_receiver_fn():
serialized_tf_example = tf.compat.v1.placeholder(
dtype=tf.string, shape=[None], name='input_example_placeholder')
# This *must* be a dictionary containing a single key 'examples', which
# points to the input placeholder.
receiver_tensors = {'examples': serialized_tf_example}
feature_spec = tf.feature_column.make_parse_example_spec(
[country, language, age, label])
features = tf.io.parse_example(serialized_tf_example, feature_spec)
return tfma.export.EvalInputReceiver(
features=features,
receiver_tensors=receiver_tensors,
labels=features['label'])
در این مثال می توانید ببینید که:
-
labelsهمچنین می توانید یک فرهنگ لغت است. برای مدل چند سر مفید است. -
eval_input_receiver_fnتابع، به احتمال زیاد، به همان خودserving_input_receiver_fnتابع. اما، در برخی موارد، ممکن است بخواهید ویژگی های اضافی را برای برش تعریف کنید. به عنوان مثال، شما یک معرفیage_categoryویژگی که تقسیمageبه سطل چند ویژگی. سپس می توانید این ویژگی را در TFMA برش دهید تا به درک تفاوت عملکرد مدل شما در رده های سنی مختلف کمک کنید.
افزودن معیارهای صادرات پست
معیارهای اضافی که در مدل گنجانده شده است می توان با استفاده aded add_metrics_callbacks . برای اطلاعات بیشتر، کمک پایتون برای دیدن run_model_analysis .
نمونه های سرتاسری
سعی کنید گسترده به عنوان مثال پایان به پایان های TensorFlow تبدیل برای پیش از ویژگی، TensorFlow برآوردگرهای برای آموزش، تجزیه و تحلیل مدل TensorFlow و Jupyter برای ارزیابی، و TensorFlow خدمت برای خدمت.
افزودن متریک صادرات پست سفارشی
اگر شما می خواهید برای اضافه کردن خود پست سفارشی صادرات متریک خود را در TFMA، لطفا مستندات پرداخت در اینجا .